IPC-PLC DCS在啤酒发酵过程中的应用

本论文介绍了啤酒发酵工艺过程，并针对发酵过程具有大惯性、时滞和非线性等特点，本文采用IPC-PLC DCS即工业控制计算机与可编程序控制器分布计算机控制系统．提出一种基于神经网络的模糊PID控制算法，实现了整个发酵工艺按预定的温度曲线进行，提高了啤酒的质量。     

DCS在啤酒生产过程中的应用

在啤酒生产周期中,发酵过程所用时间最长,对啤酒的质量影响最大。所以,在啤酒生产过程中采用自动控制系统,使发酵过程严格按照工艺曲线执行,对保证产品质量、减轻劳动强度、减小后续工序压力、降低生产成本、提高经济效益,是十分必要的。本文着重介绍ＤＣＳ在啤酒生产发酵过程的应用。１系统构成 啤酒的发酵,在工艺上要求低温发酵,所以在发酵罐的上、中、下各设一段冷却盘管,管内的冷媒一般采用酒精溶液（或氨液）,通过控制阀门启闭时间来控制冷媒的循环时间,从而达到控制发酵温度的目的。 本系统属集散型控制系统（ＤＣＳ）。上…     

啤酒原料配方的蚁群优化设计研究

啤酒配方优化是提高啤酒企业生产效率的重要途径。但对于配方优化问题,传统的数学优化方法实现较为复杂,缺乏全局最优解搜索的鲁棒性。蚁群算法目前多用于组合优化问题,但它在演化过程中有收敛慢、耗时长的缺点。因此,提出了变尺度蚁群算法,在迭代过程中不断收缩蚂蚁的搜索范围以提高优化效率。并研究了变尺度蚁群算法在啤酒配方优化中的应用,在满足生产指标前提下,实现配方的原料总成本最低。其应用结果表明：针对啤酒配方优化这类连续域问题,变尺度蚁群算法具有更强的全局搜索能力和鲁棒性,并易于实现,具有实际应用价值。     

基于混合蚁群算法的物流配送路径优化

基本蚁群算法在优化过程中存在搜索时间长、易陷入局部最优解的缺点.研究构造了一种基于蚁群算法的混合算法,利用蚁群算法首先求出问题的基本可行解,采用遗传变异中的单亲逆转算子进行再次优化,求得问题最优解.对物流配送路径优化的仿真试验表明,相对于基本蚁群算法和遗传算法,混合算法的优化质量和效率更优.     

动态分阶段蚁群算法及其收敛性分析

为了提高蚁群算法的收敛速度和求解精度，根据仿生优化算法在不同阶段的特点，提出一种改进的蚁群算法．该算法对参数和选择策略进行了分阶段设计，而且参数的分阶段是根据寻优状态动态划分的．通过对蚁群系统马尔科夫过程进行分析，证明了该算法的全局收敛性．针对典型的TSP问题进行仿真对比实验，验证了该算法在速度和精度方面优于传统蚁群算法．     

基于改进GAAA算法的PID参数优化

针对PID参数优化问题，对蚁群算法进行改进，并与遗传算法相结合，提出了改进的GAAA算法；该算法先利用遗传算法获得初始信息，然后运行改进的蚁群算法，大大加快了蚁群算法的速度；对PID控制的参数优化与仿真结果表明，该优化方法无论在时间性能和优化性能上都取得了较好的效果。     

蚁群算法在反求工程曲线重建中的应用

本文研究了蚁群算法在反求工程曲线重建中的实现方法,并对蚁群算法的蚂蚁数量、参数q、解空间及初始信息分布进行了优化,以克服蚁群算法早熟现象,满足反求工程中曲线重建实时快速的要求。经实验验证,用蚁群算法重建的曲线更光顺,能更好地反映点集的形状,但曲线重建的时间复杂度更大。     

啤酒发酵过程中的温度自动控制

一、概述啤酒发酵是啤酒生产过程中的重要环节。啤酒发酵主要是酒精发酵,是麦汁中可发酵性糖经啤酒酵母多种酶解作用,经过一系列生化反应,生成酒精和二氧化碳。由于能量的磷酸键和ATP的形成,释放出大量的热量,使温度升高,而发酵副产物含量也会随之增高,这会给成熟的啤酒带来一定程度的"生、辣"味,使人有一种不成熟的感觉,所以必须对其进行冷却。整个啤酒发酵过程遵循一条时间—温度工艺曲线(见图1)。露天啤酒发酵罐(以下简称发酵罐)啤酒发酵液(以下简称发酵液)的温度是靠发酵罐外壁上的三段盘管里的酒精水(其温度为—     

啤酒生产调度数学模型及其优化

针对啤酒企业生产人工调度效果不理想的问题,建立了啤酒生产调度数学模型,并研究了此类间歇工业调度问题的优化方法.根据啤酒生产流程特点,将整个啤酒生产划分为糖化区、过滤包装区,分别建立相应的生产调度数学规划模型,并通过蚁群优化算法求解此类调度问题.该优化调度方案在企业中的应用结果表明,通过蚁群算法对建立的啤酒调度模型进行优化,该方法具有良好的鲁棒性与实用性,可为生产管理人员提供方便快捷的优化解决方案.     

PLC(可编程控制器)在啤酒发酵温度控制中的应用

啤酒发酵过程是啤酒生产的重要环节之一,而在此过程中,温度变化是主要因素.因此,发酵温度的控制直接影响啤酒的质量.在啤酒发酵过程中,利用PLC来完成对温度的控制,实现关键技术.该系统结构简单、成本低,扩展性、移植性强,具有推广实用价值.     

云存储副本优化选择策略

为了提高云计算环境中系统的整体数据调度效率,对云存储系统中的副本选择问题进行研究,提出一种基于蚁群觅食原理的云存储副本优化选择策略。该策略利用蚁群算法在解决优化问题上的优势,将自然环境中蚁群的觅食过程与云存储中的副本选择过程相结合;再充分应用信息素的动态变化规律以及高斯概率分布特性优化副本的选择方式,得出一组副本资源的最优解,从而为数据请求响应合适的副本。在OptorSim仿真平台上对该算法进行实现,实验结果表明该算法具有不错的表现,如在平均作业用时这一性能指标上相比原始蚁群算法提升了18.7%,从而在一定程度上减少了副本选择过程的时间消耗,降低了网络负载。     

混合智能算法在多约束优化问题中的应用*

提出了一种将蚁群算法、遗传算法和粒子种群优化融合的混合智能算法来解决多约束最优路径和QoS路由问题。采用蚁群算法进行寻径生成初始群体,利用遗传算法对路径进行优化,利用PSO算法来优化蚁群算法中的信息素,优势互补。仿真结果表明该算法是可行、有效的。     

优化蚁群算法在反舰导弹航路规划中的应用

应用基本蚁群算法解决反舰导弹航路规划问题,会有收敛速度慢、计算时间长、易于过早陷入局部最优等缺点。针对该问题,引入轮盘式选择策略、精英策略以及路径优化策略对传统蚁群算法进行优化,并将优化算法应用于反舰导弹航路规划中;同时通过对反舰导弹的可行航向进行限定,缩小了航路规划的最大搜索范围。仿真实验表明,基于优化蚁群算法的反舰导弹航路规划不仅缩短了最优航路长度,而且提高了最优航路搜索过程的收敛速度。     

基于变邻域蚁群算法的自动光学检测路径规划

在确定取像窗口最少数量及其约束移动范围的前提下,为解决蚁群算法用于自动光学检测路径规划存在的问题,提出一种基于变邻域蚁群算法的自动光学检测路径规划方法。针对蚁群算法收敛速度慢、易陷入局部最优解的问题,提出含有3种邻域结构的变邻域路径搜索方法,改进蚁群算法以快速获得质量优异的可优化路径;针对取像窗口位置可调整的问题,提出变邻域窗口位置调整方法,进一步改善可优化路径,获得最短路径。实验结果表明,该算法比基本的蚁群算法具有更高的求解效率和求解质量,有效提升了自动光学检测系统的在线检测效率。     

基于车辆路径问题的蚁群遗传融合优化算法

在对车辆路径问题（VRP）分析的基础上,为之建立了数学模型,提出了一种适合求解该问题的蚁群遗传融合优化算法。该算法首先采用蚁群算法产生阶段最优解,然后利用遗传算法的变异算子对阶段最优解进一步优化。仿真结果表明,该算法能高效解决VRP,并且优化效果较好。     

免疫遗传蚁群融合算法

提出了一种融合蚁群系统、免疫算法和遗传算法的混合算法。将免疫算法和遗传算法引入到每次蚁群迭代的过程中,利用免疫算法的局部优化能力和遗传算法的全局搜索能力,来提高蚁群系统的收敛速度。该算法通过遗传算法的选择、交叉、变异操作和免疫算法的自适应疫苗接种操作,有效地解决了蚁群系统的易陷入局部最优和易退化的缺点。通过对旅行商问题的仿真实验表明该算法具有非常好的收敛速度和全局最优解的搜索能力。     

一种求解TSP问题的改进蚁群算法

针对基本蚁群算法存在收敛速度慢,易陷于局部最优解等缺点,提出了一种求解旅行商(TSP)问题的改进蚁群算法。通过在基本蚁群算法中提出保留最优解和引入个体差异策略的改进方法,有效地抑制了算法收敛过程中的停滞现象,提高了全局搜索能力和解的质量。TSPLIB的实例验证了该改进算法的有效性。     

基于蚁群-遗传算法的物化视图选取策略

将蚁群算法和遗传算法相结合用于物化视图选取问题。利用遗传算法较强的全局搜索能力对蚂蚁每次的搜索结果进行优化改良,并在信息素更新时,同时考虑最优、最差路径上的信息素更新。实验结果表明,该算法不仅提高了解的收敛速度,也成功解决了蚁群算法易“早熟”而引起的停滞现象。     

蚁群算法在油库发油PID控制中的应用

针对目前油库定量发油过程具有非线性、滞后性等特点,常规PID控制难以达到预期的控制精度,提出一种蚁群算法优化PID参数的控制方案。在PID发油控制系统的基础上引入蚁群算法,通过蚁群迭代寻优的方式优化PID控制参数,从而实现油库发油的稳定性。在控制系统中,采用S7-1200 PLC为控制器,通过SCL语言实现算法,PID参数基于蚁群算法动态优化。实验表明,所提出的方法较PID参数Z-N整定法更具实用性和有效性,超调量减少58%,能够使发油控制更加稳定。     

蚁群神经网络在短期负荷预测的应用

为了进一步提高BP神经网络的性能,实现准确、快速预测电力系统负荷的目的,将蚁群算法(ACA)作为BP神经网络的学习算法,建立了一种新的蚁群神经网络(AcAN)预测模型.对某电力系统短期负荷预测的计算实例表明,基于蚁群神经网络的负荷预测方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的效果.